SLAM学习
文章平均质量分 90
学习slam
Ninosiki
这个作者很懒,什么都没留下…
展开
-
SLAM十四讲---十一、位姿图优化
首先先学习最小二乘问题。原创 2024-04-03 11:47:53 · 601 阅读 · 1 评论 -
SLAM十四讲--最小二乘问题
这通常涉及到两个节点之间的相对运动的计算,或者是通过传感器测量得到的观测值与预测值之间的差异。处进行泰勒展开,得到其在当前估计值附近的线性近似。这可以通过计算残差函数的雅可比矩阵。:根据位姿图的节点和边,我们定义残差函数。原创 2024-04-03 11:13:13 · 810 阅读 · 1 评论 -
slam十四讲--7.2三角测量-求深度
通过对极约束求得了两张图片的R和t之后,要怎么继续求得观测点P的空间坐标呢,由于R和t对图像上的每一个像素都一样,但是深度s是不一样的和上一节类似,考虑图像 I1 和 I2,以左图为参考,右图的变换矩阵为 T。相机光心为 O1 和 O2。在 I1 中有特征点 p1,对应 I2 中有特征点 p2。理论上直线 O1p1 与 O2p2 在场景中会相交于一点 P,该点即是两个特征点所对应的地图点在三维场景中的位置。原创 2024-03-29 20:03:10 · 1002 阅读 · 1 评论 -
slam十四讲-第七讲(1)对极几何-从本质矩阵、单应矩阵求解位姿
这三个矩阵FEHF, E, HFEH的计算都依赖于从两幅图像中提取并匹配的特征点。基础矩阵FFF和本质矩阵EEE用于估计相机的运动(即旋转RRR和平移ttt),而单应矩阵HHH在处理平面场景或估计纯旋转时特别有用。在这段代码中,通过对这些矩阵的计算和分解,可以从两幅图像中的2D-2D匹配点对恢复出相对于相机位姿的信息。原创 2024-03-29 19:07:51 · 881 阅读 · 1 评论 -
高斯牛顿法--求解非线性最小二乘
迭代直到达到最大迭代次数,或者当成本函数的改进不再显著(即当前成本与上一次迭代的成本相比没有显著下降)时停止。高斯牛顿法通过迭代来逐步优化参数估计值。每一步迭代中,首先基于当前估计值计算雅可比矩阵。是模型的真实参数,我们的目标是通过观测数据来估计这些参数的值。对于每个数据点,雅可比矩阵。是当前估计的参数值。,最后更新参数估计值。原创 2024-03-29 15:19:45 · 728 阅读 · 1 评论